#Загрузите датасет
library(dplyr)
##
## Присоединяю пакет: 'dplyr'
## Следующие объекты скрыты от 'package:stats':
##
## filter, lag
## Следующие объекты скрыты от 'package:base':
##
## intersect, setdiff, setequal, union
data <- readRDS('life_expectancy_data.rds')
data <- data %>%
rename_with(., ~ gsub(" ", "_", .x, fixed = TRUE))%>%
rename_with(., ~ gsub("-", "_", .x, fixed = TRUE))
glimpse(data)
## Rows: 195
## Columns: 23
## $ Country <chr> "Afghanistan", "Albania", "Alg…
## $ Year <int> 2019, 2019, 2019, 2019, 2019, …
## $ Gender <chr> "Female", "Female", "Female", …
## $ Life_expectancy <dbl> 66.388, 80.201, 78.133, 64.039…
## $ Unemployment <dbl> 14.065000, 11.322000, 18.62999…
## $ Infant_Mortality <dbl> 42.90000, 7.70000, 18.60000, 4…
## $ GDP <dbl> 1.879945e+10, 1.540024e+10, 1.…
## $ GNI <dbl> 1.909831e+10, 1.519866e+10, 1.…
## $ Clean_fuels_and_cooking_technologies <dbl> 36.00000, 80.70000, 99.30000, …
## $ Per_Capita <dbl> 494.1793, 5395.6595, 3989.6683…
## $ Mortality_caused_by_road_traffic_injury <dbl> 15.90000, 11.70000, 20.90000, …
## $ Tuberculosis_Incidence <dbl> 189.0, 16.0, 61.0, 351.0, 0.0,…
## $ DPT_Immunization <dbl> 66.00000, 99.00000, 91.00000, …
## $ HepB3_Immunization <dbl> 66.00000, 99.00000, 91.00000, …
## $ Measles_Immunization <dbl> 64.00000, 95.00000, 80.00000, …
## $ Hospital_beds <dbl> 0.4322222, 3.0523077, 1.800000…
## $ Basic_sanitation_services <dbl> 49.00617, 99.18307, 86.13850, …
## $ Tuberculosis_treatment <dbl> 91.00000, 88.00000, 86.00000, …
## $ Urban_population <dbl> 25.754, 61.229, 73.189, 66.177…
## $ Rural_population <dbl> 74.246, 38.771, 26.811, 33.823…
## $ Non_communicable_Mortality <dbl> 36.20000, 6.00000, 12.80000, 1…
## $ Sucide_Rate <dbl> 3.60000, 2.70000, 1.80000, 2.3…
## $ continent <fct> Asia, Europe, Africa, Africa, …
#Сделайте интерактивный plotly график любых двух нумерических колонок. Раскрасть по колонке континента, на котором расположена страна
library(plotly)
## Warning: пакет 'plotly' был собран под R версии 4.3.2
## Загрузка требуемого пакета: ggplot2
##
## Присоединяю пакет: 'plotly'
## Следующий объект скрыт от 'package:ggplot2':
##
## last_plot
## Следующий объект скрыт от 'package:stats':
##
## filter
## Следующий объект скрыт от 'package:graphics':
##
## layout
plot_ly(
data = data[(data$Life_expectancy != 0) & (data$Unemployment != 0), ],
x = ~Life_expectancy, y = ~Unemployment,
color = ~continent
)%>%
layout(
title = 'Отношение продолжительности жизни и безработицы',
yaxis = list(title = 'Безработица',
zeroline = FALSE),
xaxis = list(title = 'Продолжительность жизни',
zeroline = FALSE))
## No trace type specified:
## Based on info supplied, a 'scatter' trace seems appropriate.
## Read more about this trace type -> https://plotly.com/r/reference/#scatter
## No scatter mode specifed:
## Setting the mode to markers
## Read more about this attribute -> https://plotly.com/r/reference/#scatter-mode
#Проведите тест, на сравнение распределений колонки Life expectancy между группами стран Африки и Америки. Вид статистического теста определите самостоятельно. Визуализируйте результат через библиотеку rstatix.
library(rstatix)
## Warning: пакет 'rstatix' был собран под R версии 4.3.2
##
## Присоединяю пакет: 'rstatix'
## Следующий объект скрыт от 'package:stats':
##
## filter
library(ggpubr)
## Warning: пакет 'ggpubr' был собран под R версии 4.3.2
data %>%
get_summary_stats(Life_expectancy, type = "mean_sd")
## # A tibble: 1 × 4
## variable n mean sd
## <fct> <dbl> <dbl> <dbl>
## 1 Life_expectancy 195 75.5 7.68
ggqqplot(data[data$Life_expectancy,],
x = "Life_expectancy", facet.by = "continent")
#распределение продолжительности жизни в Америке не соответствует нормальному, нужен непараметрический тест
stat.test <- data %>%
filter(continent =='Africa' | continent == 'Americas') %>%
wilcox_test(Life_expectancy~continent) %>%
add_xy_position(x = "continent")
stat.test
## # A tibble: 1 × 11
## .y. group1 group2 n1 n2 statistic p y.position groups xmin
## <chr> <chr> <chr> <int> <int> <dbl> <dbl> <dbl> <name> <dbl>
## 1 Life_exp… Africa Ameri… 52 38 107 6.34e-13 86.6 <chr> 1
## # ℹ 1 more variable: xmax <dbl>
ggboxplot(
data[data$continent == 'Africa' | data$continent == 'Americas', ],
x = "continent", y = "Life_expectancy",
ylab = "Life_expectancy", xlab = "continent",
add = "jitter"
) +
labs(subtitle = get_test_label(stat.test, detailed = TRUE)) +
stat_pvalue_manual(stat.test, tip.length = 0)
Можем сказать, что продолжительность жизни в странах Африки и Америки различается статистически значимо.
#Сделайте новый датафрейм, в котором оставите все численные колонки кроме Year. Сделайте корреляционный анализ этих данных. Постройте два любых типа графиков для визуализации корреляций.
library(data.table)
##
## Присоединяю пакет: 'data.table'
## Следующие объекты скрыты от 'package:dplyr':
##
## between, first, last
data_new_country <- data%>%
select(is.integer | is.numeric, Country, continent)%>%
select(-Year)%>%
setnames(old = c('Life_expectancy', 'Unemployment', 'Infant_Mortality', 'GDP', 'GNI', 'Clean_fuels_and_cooking_technologies', 'Per_Capita', 'Mortality_caused_by_road_traffic_injury', 'Tuberculosis_Incidence', 'DPT_Immunization', 'HepB3_Immunization', 'Measles_Immunization', 'Hospital_beds', 'Basic_sanitation_services', 'Tuberculosis_treatment', 'Urban_population', 'Rural_population', 'Non_communicable_Mortality', 'Sucide_Rate'), new = c('Life_exp', 'Unemp', 'Inf_Mort', 'GDP', 'GNI', 'Clean&cook_techn', 'Per_Cap', 'Mort_traff', 'Tub_inc', 'DPT_imm', 'HepB3_imm', 'Measles_imm', 'Hosp_beds', 'San_serv', 'Tub_treat', 'Urb_pop', 'Rur_pop', 'Ncomm_mort', 'Suicide') )
## Warning: Use of bare predicate functions was deprecated in tidyselect 1.1.0.
## ℹ Please use wrap predicates in `where()` instead.
## # Was:
## data %>% select(is.integer)
##
## # Now:
## data %>% select(where(is.integer))
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
## Warning: Use of bare predicate functions was deprecated in tidyselect 1.1.0.
## ℹ Please use wrap predicates in `where()` instead.
## # Was:
## data %>% select(is.numeric)
##
## # Now:
## data %>% select(where(is.numeric))
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
data_new <- data_new_country%>%
select(-Country, -continent)
library(corrplot)
## corrplot 0.92 loaded
data_cor <- cor(data_new)
data_cor
## Life_exp Unemp Inf_Mort GDP GNI
## Life_exp 1.0000000 -0.122453828 -0.83090718 0.16881430 0.17863826
## Unemp -0.1224538 1.000000000 0.10377527 -0.11143757 -0.10948697
## Inf_Mort -0.8309072 0.103775270 1.00000000 -0.16907590 -0.16096299
## GDP 0.1688143 -0.111437568 -0.16907590 1.00000000 0.99435959
## GNI 0.1786383 -0.109486971 -0.16096299 0.99435959 1.00000000
## Clean&cook_techn 0.7637583 0.063975082 -0.77567408 0.13751753 0.13470096
## Per_Cap 0.6034817 -0.183778304 -0.31858469 0.17389277 0.18266349
## Mort_traff -0.6518097 0.173386776 0.65050858 -0.11544108 -0.11353833
## Tub_inc -0.5831370 0.121480015 0.56359507 -0.08695088 -0.08693997
## DPT_imm 0.5044753 -0.147098313 -0.59029923 0.10813790 0.10537313
## HepB3_imm 0.4023880 -0.102304627 -0.52710787 0.08719372 0.08210454
## Measles_imm 0.5323483 -0.166019661 -0.58504641 0.10139187 0.09835173
## Hosp_beds 0.4849944 -0.147215966 -0.52085961 0.13217297 0.13351160
## San_serv 0.8515922 0.029209789 -0.77056506 0.14600318 0.15141620
## Tub_treat -0.3214166 -0.051270213 0.27989549 -0.02495462 -0.02115128
## Urb_pop 0.5829745 0.085895193 -0.47460671 0.15210771 0.16783616
## Rur_pop -0.5829745 -0.085895193 0.47460671 -0.15210771 -0.16783616
## Ncomm_mort -0.6338148 0.131242386 0.66661171 -0.19176139 -0.18266265
## Suicide 0.1593575 0.006558983 0.05980403 0.11409037 0.13051116
## Clean&cook_techn Per_Cap Mort_traff Tub_inc
## Life_exp 0.76375825 0.60348166 -0.6518097 -0.58313705
## Unemp 0.06397508 -0.18377830 0.1733868 0.12148001
## Inf_Mort -0.77567408 -0.31858469 0.6505086 0.56359507
## GDP 0.13751753 0.17389277 -0.1154411 -0.08695088
## GNI 0.13470096 0.18266349 -0.1135383 -0.08693997
## Clean&cook_techn 1.00000000 0.38753491 -0.5955332 -0.54553537
## Per_Cap 0.38753491 1.00000000 -0.4163996 -0.30760893
## Mort_traff -0.59553317 -0.41639961 1.0000000 0.41232959
## Tub_inc -0.54553537 -0.30760893 0.4123296 1.00000000
## DPT_imm 0.44831815 0.21421912 -0.3400658 -0.37169763
## HepB3_imm 0.38243439 0.09303434 -0.2628041 -0.31215616
## Measles_imm 0.49991332 0.21571852 -0.3107449 -0.37364785
## Hosp_beds 0.43564106 0.24966424 -0.4909601 -0.19543396
## San_serv 0.84316638 0.45409579 -0.6320693 -0.55532307
## Tub_treat -0.31357924 -0.32644726 0.3130249 0.23672979
## Urb_pop 0.59435666 0.42880232 -0.3718674 -0.33622933
## Rur_pop -0.59435666 -0.42880232 0.3718674 0.33622933
## Ncomm_mort -0.65526759 -0.35531918 0.4071462 0.48089925
## Suicide 0.00976739 0.32281997 -0.1102582 0.09858654
## DPT_imm HepB3_imm Measles_imm Hosp_beds San_serv
## Life_exp 0.50447529 0.40238797 0.53234834 0.4849944 0.85159219
## Unemp -0.14709831 -0.10230463 -0.16601966 -0.1472160 0.02920979
## Inf_Mort -0.59029923 -0.52710787 -0.58504641 -0.5208596 -0.77056506
## GDP 0.10813790 0.08719372 0.10139187 0.1321730 0.14600318
## GNI 0.10537313 0.08210454 0.09835173 0.1335116 0.15141620
## Clean&cook_techn 0.44831815 0.38243439 0.49991332 0.4356411 0.84316638
## Per_Cap 0.21421912 0.09303434 0.21571852 0.2496642 0.45409579
## Mort_traff -0.34006575 -0.26280410 -0.31074490 -0.4909601 -0.63206935
## Tub_inc -0.37169763 -0.31215616 -0.37364785 -0.1954340 -0.55532307
## DPT_imm 1.00000000 0.94776877 0.88078924 0.3236663 0.45942955
## HepB3_imm 0.94776877 1.00000000 0.86161432 0.2722550 0.38112985
## Measles_imm 0.88078924 0.86161432 1.00000000 0.3352620 0.50904494
## Hosp_beds 0.32366629 0.27225503 0.33526203 1.0000000 0.47445249
## San_serv 0.45942955 0.38112985 0.50904494 0.4744525 1.00000000
## Tub_treat -0.13993470 -0.09250053 -0.14092951 -0.1947393 -0.30065649
## Urb_pop 0.22057595 0.13692089 0.24604275 0.2740715 0.55069603
## Rur_pop -0.22057595 -0.13692089 -0.24604275 -0.2740715 -0.55069603
## Ncomm_mort -0.38159200 -0.31401541 -0.38626279 -0.3562093 -0.52254411
## Suicide 0.05567581 -0.01978305 0.02560727 0.2665261 0.15953741
## Tub_treat Urb_pop Rur_pop Ncomm_mort Suicide
## Life_exp -0.32141658 0.58297452 -0.58297452 -0.6338148 0.159357534
## Unemp -0.05127021 0.08589519 -0.08589519 0.1312424 0.006558983
## Inf_Mort 0.27989549 -0.47460671 0.47460671 0.6666117 0.059804035
## GDP -0.02495462 0.15210771 -0.15210771 -0.1917614 0.114090369
## GNI -0.02115128 0.16783616 -0.16783616 -0.1826627 0.130511162
## Clean&cook_techn -0.31357924 0.59435666 -0.59435666 -0.6552676 0.009767390
## Per_Cap -0.32644726 0.42880232 -0.42880232 -0.3553192 0.322819969
## Mort_traff 0.31302487 -0.37186744 0.37186744 0.4071462 -0.110258162
## Tub_inc 0.23672979 -0.33622933 0.33622933 0.4808992 0.098586543
## DPT_imm -0.13993470 0.22057595 -0.22057595 -0.3815920 0.055675815
## HepB3_imm -0.09250053 0.13692089 -0.13692089 -0.3140154 -0.019783046
## Measles_imm -0.14092951 0.24604275 -0.24604275 -0.3862628 0.025607272
## Hosp_beds -0.19473929 0.27407149 -0.27407149 -0.3562093 0.266526138
## San_serv -0.30065649 0.55069603 -0.55069603 -0.5225441 0.159537407
## Tub_treat 1.00000000 -0.28393086 0.28393086 0.2668038 -0.072894819
## Urb_pop -0.28393086 1.00000000 -1.00000000 -0.5302888 0.089368619
## Rur_pop 0.28393086 -1.00000000 1.00000000 0.5302888 -0.089368619
## Ncomm_mort 0.26680379 -0.53028884 0.53028884 1.0000000 0.184023972
## Suicide -0.07289482 0.08936862 -0.08936862 0.1840240 1.000000000
corrplot_1 <- corrplot(data_cor)
corrplot_1
## $corr
## Life_exp Unemp Inf_Mort GDP GNI
## Life_exp 1.0000000 -0.122453828 -0.83090718 0.16881430 0.17863826
## Unemp -0.1224538 1.000000000 0.10377527 -0.11143757 -0.10948697
## Inf_Mort -0.8309072 0.103775270 1.00000000 -0.16907590 -0.16096299
## GDP 0.1688143 -0.111437568 -0.16907590 1.00000000 0.99435959
## GNI 0.1786383 -0.109486971 -0.16096299 0.99435959 1.00000000
## Clean&cook_techn 0.7637583 0.063975082 -0.77567408 0.13751753 0.13470096
## Per_Cap 0.6034817 -0.183778304 -0.31858469 0.17389277 0.18266349
## Mort_traff -0.6518097 0.173386776 0.65050858 -0.11544108 -0.11353833
## Tub_inc -0.5831370 0.121480015 0.56359507 -0.08695088 -0.08693997
## DPT_imm 0.5044753 -0.147098313 -0.59029923 0.10813790 0.10537313
## HepB3_imm 0.4023880 -0.102304627 -0.52710787 0.08719372 0.08210454
## Measles_imm 0.5323483 -0.166019661 -0.58504641 0.10139187 0.09835173
## Hosp_beds 0.4849944 -0.147215966 -0.52085961 0.13217297 0.13351160
## San_serv 0.8515922 0.029209789 -0.77056506 0.14600318 0.15141620
## Tub_treat -0.3214166 -0.051270213 0.27989549 -0.02495462 -0.02115128
## Urb_pop 0.5829745 0.085895193 -0.47460671 0.15210771 0.16783616
## Rur_pop -0.5829745 -0.085895193 0.47460671 -0.15210771 -0.16783616
## Ncomm_mort -0.6338148 0.131242386 0.66661171 -0.19176139 -0.18266265
## Suicide 0.1593575 0.006558983 0.05980403 0.11409037 0.13051116
## Clean&cook_techn Per_Cap Mort_traff Tub_inc
## Life_exp 0.76375825 0.60348166 -0.6518097 -0.58313705
## Unemp 0.06397508 -0.18377830 0.1733868 0.12148001
## Inf_Mort -0.77567408 -0.31858469 0.6505086 0.56359507
## GDP 0.13751753 0.17389277 -0.1154411 -0.08695088
## GNI 0.13470096 0.18266349 -0.1135383 -0.08693997
## Clean&cook_techn 1.00000000 0.38753491 -0.5955332 -0.54553537
## Per_Cap 0.38753491 1.00000000 -0.4163996 -0.30760893
## Mort_traff -0.59553317 -0.41639961 1.0000000 0.41232959
## Tub_inc -0.54553537 -0.30760893 0.4123296 1.00000000
## DPT_imm 0.44831815 0.21421912 -0.3400658 -0.37169763
## HepB3_imm 0.38243439 0.09303434 -0.2628041 -0.31215616
## Measles_imm 0.49991332 0.21571852 -0.3107449 -0.37364785
## Hosp_beds 0.43564106 0.24966424 -0.4909601 -0.19543396
## San_serv 0.84316638 0.45409579 -0.6320693 -0.55532307
## Tub_treat -0.31357924 -0.32644726 0.3130249 0.23672979
## Urb_pop 0.59435666 0.42880232 -0.3718674 -0.33622933
## Rur_pop -0.59435666 -0.42880232 0.3718674 0.33622933
## Ncomm_mort -0.65526759 -0.35531918 0.4071462 0.48089925
## Suicide 0.00976739 0.32281997 -0.1102582 0.09858654
## DPT_imm HepB3_imm Measles_imm Hosp_beds San_serv
## Life_exp 0.50447529 0.40238797 0.53234834 0.4849944 0.85159219
## Unemp -0.14709831 -0.10230463 -0.16601966 -0.1472160 0.02920979
## Inf_Mort -0.59029923 -0.52710787 -0.58504641 -0.5208596 -0.77056506
## GDP 0.10813790 0.08719372 0.10139187 0.1321730 0.14600318
## GNI 0.10537313 0.08210454 0.09835173 0.1335116 0.15141620
## Clean&cook_techn 0.44831815 0.38243439 0.49991332 0.4356411 0.84316638
## Per_Cap 0.21421912 0.09303434 0.21571852 0.2496642 0.45409579
## Mort_traff -0.34006575 -0.26280410 -0.31074490 -0.4909601 -0.63206935
## Tub_inc -0.37169763 -0.31215616 -0.37364785 -0.1954340 -0.55532307
## DPT_imm 1.00000000 0.94776877 0.88078924 0.3236663 0.45942955
## HepB3_imm 0.94776877 1.00000000 0.86161432 0.2722550 0.38112985
## Measles_imm 0.88078924 0.86161432 1.00000000 0.3352620 0.50904494
## Hosp_beds 0.32366629 0.27225503 0.33526203 1.0000000 0.47445249
## San_serv 0.45942955 0.38112985 0.50904494 0.4744525 1.00000000
## Tub_treat -0.13993470 -0.09250053 -0.14092951 -0.1947393 -0.30065649
## Urb_pop 0.22057595 0.13692089 0.24604275 0.2740715 0.55069603
## Rur_pop -0.22057595 -0.13692089 -0.24604275 -0.2740715 -0.55069603
## Ncomm_mort -0.38159200 -0.31401541 -0.38626279 -0.3562093 -0.52254411
## Suicide 0.05567581 -0.01978305 0.02560727 0.2665261 0.15953741
## Tub_treat Urb_pop Rur_pop Ncomm_mort Suicide
## Life_exp -0.32141658 0.58297452 -0.58297452 -0.6338148 0.159357534
## Unemp -0.05127021 0.08589519 -0.08589519 0.1312424 0.006558983
## Inf_Mort 0.27989549 -0.47460671 0.47460671 0.6666117 0.059804035
## GDP -0.02495462 0.15210771 -0.15210771 -0.1917614 0.114090369
## GNI -0.02115128 0.16783616 -0.16783616 -0.1826627 0.130511162
## Clean&cook_techn -0.31357924 0.59435666 -0.59435666 -0.6552676 0.009767390
## Per_Cap -0.32644726 0.42880232 -0.42880232 -0.3553192 0.322819969
## Mort_traff 0.31302487 -0.37186744 0.37186744 0.4071462 -0.110258162
## Tub_inc 0.23672979 -0.33622933 0.33622933 0.4808992 0.098586543
## DPT_imm -0.13993470 0.22057595 -0.22057595 -0.3815920 0.055675815
## HepB3_imm -0.09250053 0.13692089 -0.13692089 -0.3140154 -0.019783046
## Measles_imm -0.14092951 0.24604275 -0.24604275 -0.3862628 0.025607272
## Hosp_beds -0.19473929 0.27407149 -0.27407149 -0.3562093 0.266526138
## San_serv -0.30065649 0.55069603 -0.55069603 -0.5225441 0.159537407
## Tub_treat 1.00000000 -0.28393086 0.28393086 0.2668038 -0.072894819
## Urb_pop -0.28393086 1.00000000 -1.00000000 -0.5302888 0.089368619
## Rur_pop 0.28393086 -1.00000000 1.00000000 0.5302888 -0.089368619
## Ncomm_mort 0.26680379 -0.53028884 0.53028884 1.0000000 0.184023972
## Suicide -0.07289482 0.08936862 -0.08936862 0.1840240 1.000000000
##
## $corrPos
## xName yName x y corr
## 1 Life_exp Life_exp 1 19 1.000000000
## 2 Life_exp Unemp 1 18 -0.122453828
## 3 Life_exp Inf_Mort 1 17 -0.830907182
## 4 Life_exp GDP 1 16 0.168814298
## 5 Life_exp GNI 1 15 0.178638258
## 6 Life_exp Clean&cook_techn 1 14 0.763758252
## 7 Life_exp Per_Cap 1 13 0.603481659
## 8 Life_exp Mort_traff 1 12 -0.651809711
## 9 Life_exp Tub_inc 1 11 -0.583137045
## 10 Life_exp DPT_imm 1 10 0.504475291
## 11 Life_exp HepB3_imm 1 9 0.402387971
## 12 Life_exp Measles_imm 1 8 0.532348338
## 13 Life_exp Hosp_beds 1 7 0.484994390
## 14 Life_exp San_serv 1 6 0.851592186
## 15 Life_exp Tub_treat 1 5 -0.321416576
## 16 Life_exp Urb_pop 1 4 0.582974520
## 17 Life_exp Rur_pop 1 3 -0.582974520
## 18 Life_exp Ncomm_mort 1 2 -0.633814804
## 19 Life_exp Suicide 1 1 0.159357534
## 20 Unemp Life_exp 2 19 -0.122453828
## 21 Unemp Unemp 2 18 1.000000000
## 22 Unemp Inf_Mort 2 17 0.103775270
## 23 Unemp GDP 2 16 -0.111437568
## 24 Unemp GNI 2 15 -0.109486971
## 25 Unemp Clean&cook_techn 2 14 0.063975082
## 26 Unemp Per_Cap 2 13 -0.183778304
## 27 Unemp Mort_traff 2 12 0.173386776
## 28 Unemp Tub_inc 2 11 0.121480015
## 29 Unemp DPT_imm 2 10 -0.147098313
## 30 Unemp HepB3_imm 2 9 -0.102304627
## 31 Unemp Measles_imm 2 8 -0.166019661
## 32 Unemp Hosp_beds 2 7 -0.147215966
## 33 Unemp San_serv 2 6 0.029209789
## 34 Unemp Tub_treat 2 5 -0.051270213
## 35 Unemp Urb_pop 2 4 0.085895193
## 36 Unemp Rur_pop 2 3 -0.085895193
## 37 Unemp Ncomm_mort 2 2 0.131242386
## 38 Unemp Suicide 2 1 0.006558983
## 39 Inf_Mort Life_exp 3 19 -0.830907182
## 40 Inf_Mort Unemp 3 18 0.103775270
## 41 Inf_Mort Inf_Mort 3 17 1.000000000
## 42 Inf_Mort GDP 3 16 -0.169075896
## 43 Inf_Mort GNI 3 15 -0.160962987
## 44 Inf_Mort Clean&cook_techn 3 14 -0.775674080
## 45 Inf_Mort Per_Cap 3 13 -0.318584689
## 46 Inf_Mort Mort_traff 3 12 0.650508579
## 47 Inf_Mort Tub_inc 3 11 0.563595074
## 48 Inf_Mort DPT_imm 3 10 -0.590299233
## 49 Inf_Mort HepB3_imm 3 9 -0.527107866
## 50 Inf_Mort Measles_imm 3 8 -0.585046408
## 51 Inf_Mort Hosp_beds 3 7 -0.520859611
## 52 Inf_Mort San_serv 3 6 -0.770565058
## 53 Inf_Mort Tub_treat 3 5 0.279895490
## 54 Inf_Mort Urb_pop 3 4 -0.474606711
## 55 Inf_Mort Rur_pop 3 3 0.474606711
## 56 Inf_Mort Ncomm_mort 3 2 0.666611711
## 57 Inf_Mort Suicide 3 1 0.059804035
## 58 GDP Life_exp 4 19 0.168814298
## 59 GDP Unemp 4 18 -0.111437568
## 60 GDP Inf_Mort 4 17 -0.169075896
## 61 GDP GDP 4 16 1.000000000
## 62 GDP GNI 4 15 0.994359586
## 63 GDP Clean&cook_techn 4 14 0.137517529
## 64 GDP Per_Cap 4 13 0.173892765
## 65 GDP Mort_traff 4 12 -0.115441079
## 66 GDP Tub_inc 4 11 -0.086950877
## 67 GDP DPT_imm 4 10 0.108137896
## 68 GDP HepB3_imm 4 9 0.087193721
## 69 GDP Measles_imm 4 8 0.101391869
## 70 GDP Hosp_beds 4 7 0.132172967
## 71 GDP San_serv 4 6 0.146003181
## 72 GDP Tub_treat 4 5 -0.024954619
## 73 GDP Urb_pop 4 4 0.152107706
## 74 GDP Rur_pop 4 3 -0.152107706
## 75 GDP Ncomm_mort 4 2 -0.191761394
## 76 GDP Suicide 4 1 0.114090369
## 77 GNI Life_exp 5 19 0.178638258
## 78 GNI Unemp 5 18 -0.109486971
## 79 GNI Inf_Mort 5 17 -0.160962987
## 80 GNI GDP 5 16 0.994359586
## 81 GNI GNI 5 15 1.000000000
## 82 GNI Clean&cook_techn 5 14 0.134700958
## 83 GNI Per_Cap 5 13 0.182663487
## 84 GNI Mort_traff 5 12 -0.113538331
## 85 GNI Tub_inc 5 11 -0.086939968
## 86 GNI DPT_imm 5 10 0.105373126
## 87 GNI HepB3_imm 5 9 0.082104538
## 88 GNI Measles_imm 5 8 0.098351732
## 89 GNI Hosp_beds 5 7 0.133511599
## 90 GNI San_serv 5 6 0.151416202
## 91 GNI Tub_treat 5 5 -0.021151281
## 92 GNI Urb_pop 5 4 0.167836165
## 93 GNI Rur_pop 5 3 -0.167836165
## 94 GNI Ncomm_mort 5 2 -0.182662653
## 95 GNI Suicide 5 1 0.130511162
## 96 Clean&cook_techn Life_exp 6 19 0.763758252
## 97 Clean&cook_techn Unemp 6 18 0.063975082
## 98 Clean&cook_techn Inf_Mort 6 17 -0.775674080
## 99 Clean&cook_techn GDP 6 16 0.137517529
## 100 Clean&cook_techn GNI 6 15 0.134700958
## 101 Clean&cook_techn Clean&cook_techn 6 14 1.000000000
## 102 Clean&cook_techn Per_Cap 6 13 0.387534908
## 103 Clean&cook_techn Mort_traff 6 12 -0.595533174
## 104 Clean&cook_techn Tub_inc 6 11 -0.545535369
## 105 Clean&cook_techn DPT_imm 6 10 0.448318147
## 106 Clean&cook_techn HepB3_imm 6 9 0.382434387
## 107 Clean&cook_techn Measles_imm 6 8 0.499913324
## 108 Clean&cook_techn Hosp_beds 6 7 0.435641057
## 109 Clean&cook_techn San_serv 6 6 0.843166383
## 110 Clean&cook_techn Tub_treat 6 5 -0.313579244
## 111 Clean&cook_techn Urb_pop 6 4 0.594356665
## 112 Clean&cook_techn Rur_pop 6 3 -0.594356665
## 113 Clean&cook_techn Ncomm_mort 6 2 -0.655267589
## 114 Clean&cook_techn Suicide 6 1 0.009767390
## 115 Per_Cap Life_exp 7 19 0.603481659
## 116 Per_Cap Unemp 7 18 -0.183778304
## 117 Per_Cap Inf_Mort 7 17 -0.318584689
## 118 Per_Cap GDP 7 16 0.173892765
## 119 Per_Cap GNI 7 15 0.182663487
## 120 Per_Cap Clean&cook_techn 7 14 0.387534908
## 121 Per_Cap Per_Cap 7 13 1.000000000
## 122 Per_Cap Mort_traff 7 12 -0.416399611
## 123 Per_Cap Tub_inc 7 11 -0.307608926
## 124 Per_Cap DPT_imm 7 10 0.214219117
## 125 Per_Cap HepB3_imm 7 9 0.093034337
## 126 Per_Cap Measles_imm 7 8 0.215718525
## 127 Per_Cap Hosp_beds 7 7 0.249664245
## 128 Per_Cap San_serv 7 6 0.454095786
## 129 Per_Cap Tub_treat 7 5 -0.326447262
## 130 Per_Cap Urb_pop 7 4 0.428802322
## 131 Per_Cap Rur_pop 7 3 -0.428802322
## 132 Per_Cap Ncomm_mort 7 2 -0.355319184
## 133 Per_Cap Suicide 7 1 0.322819969
## 134 Mort_traff Life_exp 8 19 -0.651809711
## 135 Mort_traff Unemp 8 18 0.173386776
## 136 Mort_traff Inf_Mort 8 17 0.650508579
## 137 Mort_traff GDP 8 16 -0.115441079
## 138 Mort_traff GNI 8 15 -0.113538331
## 139 Mort_traff Clean&cook_techn 8 14 -0.595533174
## 140 Mort_traff Per_Cap 8 13 -0.416399611
## 141 Mort_traff Mort_traff 8 12 1.000000000
## 142 Mort_traff Tub_inc 8 11 0.412329588
## 143 Mort_traff DPT_imm 8 10 -0.340065751
## 144 Mort_traff HepB3_imm 8 9 -0.262804103
## 145 Mort_traff Measles_imm 8 8 -0.310744897
## 146 Mort_traff Hosp_beds 8 7 -0.490960104
## 147 Mort_traff San_serv 8 6 -0.632069350
## 148 Mort_traff Tub_treat 8 5 0.313024871
## 149 Mort_traff Urb_pop 8 4 -0.371867439
## 150 Mort_traff Rur_pop 8 3 0.371867439
## 151 Mort_traff Ncomm_mort 8 2 0.407146151
## 152 Mort_traff Suicide 8 1 -0.110258162
## 153 Tub_inc Life_exp 9 19 -0.583137045
## 154 Tub_inc Unemp 9 18 0.121480015
## 155 Tub_inc Inf_Mort 9 17 0.563595074
## 156 Tub_inc GDP 9 16 -0.086950877
## 157 Tub_inc GNI 9 15 -0.086939968
## 158 Tub_inc Clean&cook_techn 9 14 -0.545535369
## 159 Tub_inc Per_Cap 9 13 -0.307608926
## 160 Tub_inc Mort_traff 9 12 0.412329588
## 161 Tub_inc Tub_inc 9 11 1.000000000
## 162 Tub_inc DPT_imm 9 10 -0.371697630
## 163 Tub_inc HepB3_imm 9 9 -0.312156157
## 164 Tub_inc Measles_imm 9 8 -0.373647854
## 165 Tub_inc Hosp_beds 9 7 -0.195433965
## 166 Tub_inc San_serv 9 6 -0.555323068
## 167 Tub_inc Tub_treat 9 5 0.236729787
## 168 Tub_inc Urb_pop 9 4 -0.336229334
## 169 Tub_inc Rur_pop 9 3 0.336229334
## 170 Tub_inc Ncomm_mort 9 2 0.480899248
## 171 Tub_inc Suicide 9 1 0.098586543
## 172 DPT_imm Life_exp 10 19 0.504475291
## 173 DPT_imm Unemp 10 18 -0.147098313
## 174 DPT_imm Inf_Mort 10 17 -0.590299233
## 175 DPT_imm GDP 10 16 0.108137896
## 176 DPT_imm GNI 10 15 0.105373126
## 177 DPT_imm Clean&cook_techn 10 14 0.448318147
## 178 DPT_imm Per_Cap 10 13 0.214219117
## 179 DPT_imm Mort_traff 10 12 -0.340065751
## 180 DPT_imm Tub_inc 10 11 -0.371697630
## 181 DPT_imm DPT_imm 10 10 1.000000000
## 182 DPT_imm HepB3_imm 10 9 0.947768771
## 183 DPT_imm Measles_imm 10 8 0.880789245
## 184 DPT_imm Hosp_beds 10 7 0.323666288
## 185 DPT_imm San_serv 10 6 0.459429545
## 186 DPT_imm Tub_treat 10 5 -0.139934705
## 187 DPT_imm Urb_pop 10 4 0.220575945
## 188 DPT_imm Rur_pop 10 3 -0.220575945
## 189 DPT_imm Ncomm_mort 10 2 -0.381592003
## 190 DPT_imm Suicide 10 1 0.055675815
## 191 HepB3_imm Life_exp 11 19 0.402387971
## 192 HepB3_imm Unemp 11 18 -0.102304627
## 193 HepB3_imm Inf_Mort 11 17 -0.527107866
## 194 HepB3_imm GDP 11 16 0.087193721
## 195 HepB3_imm GNI 11 15 0.082104538
## 196 HepB3_imm Clean&cook_techn 11 14 0.382434387
## 197 HepB3_imm Per_Cap 11 13 0.093034337
## 198 HepB3_imm Mort_traff 11 12 -0.262804103
## 199 HepB3_imm Tub_inc 11 11 -0.312156157
## 200 HepB3_imm DPT_imm 11 10 0.947768771
## 201 HepB3_imm HepB3_imm 11 9 1.000000000
## 202 HepB3_imm Measles_imm 11 8 0.861614315
## 203 HepB3_imm Hosp_beds 11 7 0.272255026
## 204 HepB3_imm San_serv 11 6 0.381129849
## 205 HepB3_imm Tub_treat 11 5 -0.092500529
## 206 HepB3_imm Urb_pop 11 4 0.136920894
## 207 HepB3_imm Rur_pop 11 3 -0.136920894
## 208 HepB3_imm Ncomm_mort 11 2 -0.314015409
## 209 HepB3_imm Suicide 11 1 -0.019783046
## 210 Measles_imm Life_exp 12 19 0.532348338
## 211 Measles_imm Unemp 12 18 -0.166019661
## 212 Measles_imm Inf_Mort 12 17 -0.585046408
## 213 Measles_imm GDP 12 16 0.101391869
## 214 Measles_imm GNI 12 15 0.098351732
## 215 Measles_imm Clean&cook_techn 12 14 0.499913324
## 216 Measles_imm Per_Cap 12 13 0.215718525
## 217 Measles_imm Mort_traff 12 12 -0.310744897
## 218 Measles_imm Tub_inc 12 11 -0.373647854
## 219 Measles_imm DPT_imm 12 10 0.880789245
## 220 Measles_imm HepB3_imm 12 9 0.861614315
## 221 Measles_imm Measles_imm 12 8 1.000000000
## 222 Measles_imm Hosp_beds 12 7 0.335262031
## 223 Measles_imm San_serv 12 6 0.509044945
## 224 Measles_imm Tub_treat 12 5 -0.140929508
## 225 Measles_imm Urb_pop 12 4 0.246042748
## 226 Measles_imm Rur_pop 12 3 -0.246042748
## 227 Measles_imm Ncomm_mort 12 2 -0.386262785
## 228 Measles_imm Suicide 12 1 0.025607272
## 229 Hosp_beds Life_exp 13 19 0.484994390
## 230 Hosp_beds Unemp 13 18 -0.147215966
## 231 Hosp_beds Inf_Mort 13 17 -0.520859611
## 232 Hosp_beds GDP 13 16 0.132172967
## 233 Hosp_beds GNI 13 15 0.133511599
## 234 Hosp_beds Clean&cook_techn 13 14 0.435641057
## 235 Hosp_beds Per_Cap 13 13 0.249664245
## 236 Hosp_beds Mort_traff 13 12 -0.490960104
## 237 Hosp_beds Tub_inc 13 11 -0.195433965
## 238 Hosp_beds DPT_imm 13 10 0.323666288
## 239 Hosp_beds HepB3_imm 13 9 0.272255026
## 240 Hosp_beds Measles_imm 13 8 0.335262031
## 241 Hosp_beds Hosp_beds 13 7 1.000000000
## 242 Hosp_beds San_serv 13 6 0.474452489
## 243 Hosp_beds Tub_treat 13 5 -0.194739293
## 244 Hosp_beds Urb_pop 13 4 0.274071494
## 245 Hosp_beds Rur_pop 13 3 -0.274071494
## 246 Hosp_beds Ncomm_mort 13 2 -0.356209266
## 247 Hosp_beds Suicide 13 1 0.266526138
## 248 San_serv Life_exp 14 19 0.851592186
## 249 San_serv Unemp 14 18 0.029209789
## 250 San_serv Inf_Mort 14 17 -0.770565058
## 251 San_serv GDP 14 16 0.146003181
## 252 San_serv GNI 14 15 0.151416202
## 253 San_serv Clean&cook_techn 14 14 0.843166383
## 254 San_serv Per_Cap 14 13 0.454095786
## 255 San_serv Mort_traff 14 12 -0.632069350
## 256 San_serv Tub_inc 14 11 -0.555323068
## 257 San_serv DPT_imm 14 10 0.459429545
## 258 San_serv HepB3_imm 14 9 0.381129849
## 259 San_serv Measles_imm 14 8 0.509044945
## 260 San_serv Hosp_beds 14 7 0.474452489
## 261 San_serv San_serv 14 6 1.000000000
## 262 San_serv Tub_treat 14 5 -0.300656495
## 263 San_serv Urb_pop 14 4 0.550696030
## 264 San_serv Rur_pop 14 3 -0.550696030
## 265 San_serv Ncomm_mort 14 2 -0.522544114
## 266 San_serv Suicide 14 1 0.159537407
## 267 Tub_treat Life_exp 15 19 -0.321416576
## 268 Tub_treat Unemp 15 18 -0.051270213
## 269 Tub_treat Inf_Mort 15 17 0.279895490
## 270 Tub_treat GDP 15 16 -0.024954619
## 271 Tub_treat GNI 15 15 -0.021151281
## 272 Tub_treat Clean&cook_techn 15 14 -0.313579244
## 273 Tub_treat Per_Cap 15 13 -0.326447262
## 274 Tub_treat Mort_traff 15 12 0.313024871
## 275 Tub_treat Tub_inc 15 11 0.236729787
## 276 Tub_treat DPT_imm 15 10 -0.139934705
## 277 Tub_treat HepB3_imm 15 9 -0.092500529
## 278 Tub_treat Measles_imm 15 8 -0.140929508
## 279 Tub_treat Hosp_beds 15 7 -0.194739293
## 280 Tub_treat San_serv 15 6 -0.300656495
## 281 Tub_treat Tub_treat 15 5 1.000000000
## 282 Tub_treat Urb_pop 15 4 -0.283930857
## 283 Tub_treat Rur_pop 15 3 0.283930857
## 284 Tub_treat Ncomm_mort 15 2 0.266803790
## 285 Tub_treat Suicide 15 1 -0.072894819
## 286 Urb_pop Life_exp 16 19 0.582974520
## 287 Urb_pop Unemp 16 18 0.085895193
## 288 Urb_pop Inf_Mort 16 17 -0.474606711
## 289 Urb_pop GDP 16 16 0.152107706
## 290 Urb_pop GNI 16 15 0.167836165
## 291 Urb_pop Clean&cook_techn 16 14 0.594356665
## 292 Urb_pop Per_Cap 16 13 0.428802322
## 293 Urb_pop Mort_traff 16 12 -0.371867439
## 294 Urb_pop Tub_inc 16 11 -0.336229334
## 295 Urb_pop DPT_imm 16 10 0.220575945
## 296 Urb_pop HepB3_imm 16 9 0.136920894
## 297 Urb_pop Measles_imm 16 8 0.246042748
## 298 Urb_pop Hosp_beds 16 7 0.274071494
## 299 Urb_pop San_serv 16 6 0.550696030
## 300 Urb_pop Tub_treat 16 5 -0.283930857
## 301 Urb_pop Urb_pop 16 4 1.000000000
## 302 Urb_pop Rur_pop 16 3 -1.000000000
## 303 Urb_pop Ncomm_mort 16 2 -0.530288839
## 304 Urb_pop Suicide 16 1 0.089368619
## 305 Rur_pop Life_exp 17 19 -0.582974520
## 306 Rur_pop Unemp 17 18 -0.085895193
## 307 Rur_pop Inf_Mort 17 17 0.474606711
## 308 Rur_pop GDP 17 16 -0.152107706
## 309 Rur_pop GNI 17 15 -0.167836165
## 310 Rur_pop Clean&cook_techn 17 14 -0.594356665
## 311 Rur_pop Per_Cap 17 13 -0.428802322
## 312 Rur_pop Mort_traff 17 12 0.371867439
## 313 Rur_pop Tub_inc 17 11 0.336229334
## 314 Rur_pop DPT_imm 17 10 -0.220575945
## 315 Rur_pop HepB3_imm 17 9 -0.136920894
## 316 Rur_pop Measles_imm 17 8 -0.246042748
## 317 Rur_pop Hosp_beds 17 7 -0.274071494
## 318 Rur_pop San_serv 17 6 -0.550696030
## 319 Rur_pop Tub_treat 17 5 0.283930857
## 320 Rur_pop Urb_pop 17 4 -1.000000000
## 321 Rur_pop Rur_pop 17 3 1.000000000
## 322 Rur_pop Ncomm_mort 17 2 0.530288839
## 323 Rur_pop Suicide 17 1 -0.089368619
## 324 Ncomm_mort Life_exp 18 19 -0.633814804
## 325 Ncomm_mort Unemp 18 18 0.131242386
## 326 Ncomm_mort Inf_Mort 18 17 0.666611711
## 327 Ncomm_mort GDP 18 16 -0.191761394
## 328 Ncomm_mort GNI 18 15 -0.182662653
## 329 Ncomm_mort Clean&cook_techn 18 14 -0.655267589
## 330 Ncomm_mort Per_Cap 18 13 -0.355319184
## 331 Ncomm_mort Mort_traff 18 12 0.407146151
## 332 Ncomm_mort Tub_inc 18 11 0.480899248
## 333 Ncomm_mort DPT_imm 18 10 -0.381592003
## 334 Ncomm_mort HepB3_imm 18 9 -0.314015409
## 335 Ncomm_mort Measles_imm 18 8 -0.386262785
## 336 Ncomm_mort Hosp_beds 18 7 -0.356209266
## 337 Ncomm_mort San_serv 18 6 -0.522544114
## 338 Ncomm_mort Tub_treat 18 5 0.266803790
## 339 Ncomm_mort Urb_pop 18 4 -0.530288839
## 340 Ncomm_mort Rur_pop 18 3 0.530288839
## 341 Ncomm_mort Ncomm_mort 18 2 1.000000000
## 342 Ncomm_mort Suicide 18 1 0.184023972
## 343 Suicide Life_exp 19 19 0.159357534
## 344 Suicide Unemp 19 18 0.006558983
## 345 Suicide Inf_Mort 19 17 0.059804035
## 346 Suicide GDP 19 16 0.114090369
## 347 Suicide GNI 19 15 0.130511162
## 348 Suicide Clean&cook_techn 19 14 0.009767390
## 349 Suicide Per_Cap 19 13 0.322819969
## 350 Suicide Mort_traff 19 12 -0.110258162
## 351 Suicide Tub_inc 19 11 0.098586543
## 352 Suicide DPT_imm 19 10 0.055675815
## 353 Suicide HepB3_imm 19 9 -0.019783046
## 354 Suicide Measles_imm 19 8 0.025607272
## 355 Suicide Hosp_beds 19 7 0.266526138
## 356 Suicide San_serv 19 6 0.159537407
## 357 Suicide Tub_treat 19 5 -0.072894819
## 358 Suicide Urb_pop 19 4 0.089368619
## 359 Suicide Rur_pop 19 3 -0.089368619
## 360 Suicide Ncomm_mort 19 2 0.184023972
## 361 Suicide Suicide 19 1 1.000000000
##
## $arg
## $arg$type
## [1] "full"
corrplot_2 <- corrplot(data_cor, method = 'shade', diag = FALSE)
corrplot_2
## $corr
## Life_exp Unemp Inf_Mort GDP GNI
## Life_exp 1.0000000 -0.122453828 -0.83090718 0.16881430 0.17863826
## Unemp -0.1224538 1.000000000 0.10377527 -0.11143757 -0.10948697
## Inf_Mort -0.8309072 0.103775270 1.00000000 -0.16907590 -0.16096299
## GDP 0.1688143 -0.111437568 -0.16907590 1.00000000 0.99435959
## GNI 0.1786383 -0.109486971 -0.16096299 0.99435959 1.00000000
## Clean&cook_techn 0.7637583 0.063975082 -0.77567408 0.13751753 0.13470096
## Per_Cap 0.6034817 -0.183778304 -0.31858469 0.17389277 0.18266349
## Mort_traff -0.6518097 0.173386776 0.65050858 -0.11544108 -0.11353833
## Tub_inc -0.5831370 0.121480015 0.56359507 -0.08695088 -0.08693997
## DPT_imm 0.5044753 -0.147098313 -0.59029923 0.10813790 0.10537313
## HepB3_imm 0.4023880 -0.102304627 -0.52710787 0.08719372 0.08210454
## Measles_imm 0.5323483 -0.166019661 -0.58504641 0.10139187 0.09835173
## Hosp_beds 0.4849944 -0.147215966 -0.52085961 0.13217297 0.13351160
## San_serv 0.8515922 0.029209789 -0.77056506 0.14600318 0.15141620
## Tub_treat -0.3214166 -0.051270213 0.27989549 -0.02495462 -0.02115128
## Urb_pop 0.5829745 0.085895193 -0.47460671 0.15210771 0.16783616
## Rur_pop -0.5829745 -0.085895193 0.47460671 -0.15210771 -0.16783616
## Ncomm_mort -0.6338148 0.131242386 0.66661171 -0.19176139 -0.18266265
## Suicide 0.1593575 0.006558983 0.05980403 0.11409037 0.13051116
## Clean&cook_techn Per_Cap Mort_traff Tub_inc
## Life_exp 0.76375825 0.60348166 -0.6518097 -0.58313705
## Unemp 0.06397508 -0.18377830 0.1733868 0.12148001
## Inf_Mort -0.77567408 -0.31858469 0.6505086 0.56359507
## GDP 0.13751753 0.17389277 -0.1154411 -0.08695088
## GNI 0.13470096 0.18266349 -0.1135383 -0.08693997
## Clean&cook_techn 1.00000000 0.38753491 -0.5955332 -0.54553537
## Per_Cap 0.38753491 1.00000000 -0.4163996 -0.30760893
## Mort_traff -0.59553317 -0.41639961 1.0000000 0.41232959
## Tub_inc -0.54553537 -0.30760893 0.4123296 1.00000000
## DPT_imm 0.44831815 0.21421912 -0.3400658 -0.37169763
## HepB3_imm 0.38243439 0.09303434 -0.2628041 -0.31215616
## Measles_imm 0.49991332 0.21571852 -0.3107449 -0.37364785
## Hosp_beds 0.43564106 0.24966424 -0.4909601 -0.19543396
## San_serv 0.84316638 0.45409579 -0.6320693 -0.55532307
## Tub_treat -0.31357924 -0.32644726 0.3130249 0.23672979
## Urb_pop 0.59435666 0.42880232 -0.3718674 -0.33622933
## Rur_pop -0.59435666 -0.42880232 0.3718674 0.33622933
## Ncomm_mort -0.65526759 -0.35531918 0.4071462 0.48089925
## Suicide 0.00976739 0.32281997 -0.1102582 0.09858654
## DPT_imm HepB3_imm Measles_imm Hosp_beds San_serv
## Life_exp 0.50447529 0.40238797 0.53234834 0.4849944 0.85159219
## Unemp -0.14709831 -0.10230463 -0.16601966 -0.1472160 0.02920979
## Inf_Mort -0.59029923 -0.52710787 -0.58504641 -0.5208596 -0.77056506
## GDP 0.10813790 0.08719372 0.10139187 0.1321730 0.14600318
## GNI 0.10537313 0.08210454 0.09835173 0.1335116 0.15141620
## Clean&cook_techn 0.44831815 0.38243439 0.49991332 0.4356411 0.84316638
## Per_Cap 0.21421912 0.09303434 0.21571852 0.2496642 0.45409579
## Mort_traff -0.34006575 -0.26280410 -0.31074490 -0.4909601 -0.63206935
## Tub_inc -0.37169763 -0.31215616 -0.37364785 -0.1954340 -0.55532307
## DPT_imm 1.00000000 0.94776877 0.88078924 0.3236663 0.45942955
## HepB3_imm 0.94776877 1.00000000 0.86161432 0.2722550 0.38112985
## Measles_imm 0.88078924 0.86161432 1.00000000 0.3352620 0.50904494
## Hosp_beds 0.32366629 0.27225503 0.33526203 1.0000000 0.47445249
## San_serv 0.45942955 0.38112985 0.50904494 0.4744525 1.00000000
## Tub_treat -0.13993470 -0.09250053 -0.14092951 -0.1947393 -0.30065649
## Urb_pop 0.22057595 0.13692089 0.24604275 0.2740715 0.55069603
## Rur_pop -0.22057595 -0.13692089 -0.24604275 -0.2740715 -0.55069603
## Ncomm_mort -0.38159200 -0.31401541 -0.38626279 -0.3562093 -0.52254411
## Suicide 0.05567581 -0.01978305 0.02560727 0.2665261 0.15953741
## Tub_treat Urb_pop Rur_pop Ncomm_mort Suicide
## Life_exp -0.32141658 0.58297452 -0.58297452 -0.6338148 0.159357534
## Unemp -0.05127021 0.08589519 -0.08589519 0.1312424 0.006558983
## Inf_Mort 0.27989549 -0.47460671 0.47460671 0.6666117 0.059804035
## GDP -0.02495462 0.15210771 -0.15210771 -0.1917614 0.114090369
## GNI -0.02115128 0.16783616 -0.16783616 -0.1826627 0.130511162
## Clean&cook_techn -0.31357924 0.59435666 -0.59435666 -0.6552676 0.009767390
## Per_Cap -0.32644726 0.42880232 -0.42880232 -0.3553192 0.322819969
## Mort_traff 0.31302487 -0.37186744 0.37186744 0.4071462 -0.110258162
## Tub_inc 0.23672979 -0.33622933 0.33622933 0.4808992 0.098586543
## DPT_imm -0.13993470 0.22057595 -0.22057595 -0.3815920 0.055675815
## HepB3_imm -0.09250053 0.13692089 -0.13692089 -0.3140154 -0.019783046
## Measles_imm -0.14092951 0.24604275 -0.24604275 -0.3862628 0.025607272
## Hosp_beds -0.19473929 0.27407149 -0.27407149 -0.3562093 0.266526138
## San_serv -0.30065649 0.55069603 -0.55069603 -0.5225441 0.159537407
## Tub_treat 1.00000000 -0.28393086 0.28393086 0.2668038 -0.072894819
## Urb_pop -0.28393086 1.00000000 -1.00000000 -0.5302888 0.089368619
## Rur_pop 0.28393086 -1.00000000 1.00000000 0.5302888 -0.089368619
## Ncomm_mort 0.26680379 -0.53028884 0.53028884 1.0000000 0.184023972
## Suicide -0.07289482 0.08936862 -0.08936862 0.1840240 1.000000000
##
## $corrPos
## xName yName x y corr
## 1 Life_exp Unemp 1 18 -0.122453828
## 2 Life_exp Inf_Mort 1 17 -0.830907182
## 3 Life_exp GDP 1 16 0.168814298
## 4 Life_exp GNI 1 15 0.178638258
## 5 Life_exp Clean&cook_techn 1 14 0.763758252
## 6 Life_exp Per_Cap 1 13 0.603481659
## 7 Life_exp Mort_traff 1 12 -0.651809711
## 8 Life_exp Tub_inc 1 11 -0.583137045
## 9 Life_exp DPT_imm 1 10 0.504475291
## 10 Life_exp HepB3_imm 1 9 0.402387971
## 11 Life_exp Measles_imm 1 8 0.532348338
## 12 Life_exp Hosp_beds 1 7 0.484994390
## 13 Life_exp San_serv 1 6 0.851592186
## 14 Life_exp Tub_treat 1 5 -0.321416576
## 15 Life_exp Urb_pop 1 4 0.582974520
## 16 Life_exp Rur_pop 1 3 -0.582974520
## 17 Life_exp Ncomm_mort 1 2 -0.633814804
## 18 Life_exp Suicide 1 1 0.159357534
## 19 Unemp Life_exp 2 19 -0.122453828
## 20 Unemp Inf_Mort 2 17 0.103775270
## 21 Unemp GDP 2 16 -0.111437568
## 22 Unemp GNI 2 15 -0.109486971
## 23 Unemp Clean&cook_techn 2 14 0.063975082
## 24 Unemp Per_Cap 2 13 -0.183778304
## 25 Unemp Mort_traff 2 12 0.173386776
## 26 Unemp Tub_inc 2 11 0.121480015
## 27 Unemp DPT_imm 2 10 -0.147098313
## 28 Unemp HepB3_imm 2 9 -0.102304627
## 29 Unemp Measles_imm 2 8 -0.166019661
## 30 Unemp Hosp_beds 2 7 -0.147215966
## 31 Unemp San_serv 2 6 0.029209789
## 32 Unemp Tub_treat 2 5 -0.051270213
## 33 Unemp Urb_pop 2 4 0.085895193
## 34 Unemp Rur_pop 2 3 -0.085895193
## 35 Unemp Ncomm_mort 2 2 0.131242386
## 36 Unemp Suicide 2 1 0.006558983
## 37 Inf_Mort Life_exp 3 19 -0.830907182
## 38 Inf_Mort Unemp 3 18 0.103775270
## 39 Inf_Mort GDP 3 16 -0.169075896
## 40 Inf_Mort GNI 3 15 -0.160962987
## 41 Inf_Mort Clean&cook_techn 3 14 -0.775674080
## 42 Inf_Mort Per_Cap 3 13 -0.318584689
## 43 Inf_Mort Mort_traff 3 12 0.650508579
## 44 Inf_Mort Tub_inc 3 11 0.563595074
## 45 Inf_Mort DPT_imm 3 10 -0.590299233
## 46 Inf_Mort HepB3_imm 3 9 -0.527107866
## 47 Inf_Mort Measles_imm 3 8 -0.585046408
## 48 Inf_Mort Hosp_beds 3 7 -0.520859611
## 49 Inf_Mort San_serv 3 6 -0.770565058
## 50 Inf_Mort Tub_treat 3 5 0.279895490
## 51 Inf_Mort Urb_pop 3 4 -0.474606711
## 52 Inf_Mort Rur_pop 3 3 0.474606711
## 53 Inf_Mort Ncomm_mort 3 2 0.666611711
## 54 Inf_Mort Suicide 3 1 0.059804035
## 55 GDP Life_exp 4 19 0.168814298
## 56 GDP Unemp 4 18 -0.111437568
## 57 GDP Inf_Mort 4 17 -0.169075896
## 58 GDP GNI 4 15 0.994359586
## 59 GDP Clean&cook_techn 4 14 0.137517529
## 60 GDP Per_Cap 4 13 0.173892765
## 61 GDP Mort_traff 4 12 -0.115441079
## 62 GDP Tub_inc 4 11 -0.086950877
## 63 GDP DPT_imm 4 10 0.108137896
## 64 GDP HepB3_imm 4 9 0.087193721
## 65 GDP Measles_imm 4 8 0.101391869
## 66 GDP Hosp_beds 4 7 0.132172967
## 67 GDP San_serv 4 6 0.146003181
## 68 GDP Tub_treat 4 5 -0.024954619
## 69 GDP Urb_pop 4 4 0.152107706
## 70 GDP Rur_pop 4 3 -0.152107706
## 71 GDP Ncomm_mort 4 2 -0.191761394
## 72 GDP Suicide 4 1 0.114090369
## 73 GNI Life_exp 5 19 0.178638258
## 74 GNI Unemp 5 18 -0.109486971
## 75 GNI Inf_Mort 5 17 -0.160962987
## 76 GNI GDP 5 16 0.994359586
## 77 GNI Clean&cook_techn 5 14 0.134700958
## 78 GNI Per_Cap 5 13 0.182663487
## 79 GNI Mort_traff 5 12 -0.113538331
## 80 GNI Tub_inc 5 11 -0.086939968
## 81 GNI DPT_imm 5 10 0.105373126
## 82 GNI HepB3_imm 5 9 0.082104538
## 83 GNI Measles_imm 5 8 0.098351732
## 84 GNI Hosp_beds 5 7 0.133511599
## 85 GNI San_serv 5 6 0.151416202
## 86 GNI Tub_treat 5 5 -0.021151281
## 87 GNI Urb_pop 5 4 0.167836165
## 88 GNI Rur_pop 5 3 -0.167836165
## 89 GNI Ncomm_mort 5 2 -0.182662653
## 90 GNI Suicide 5 1 0.130511162
## 91 Clean&cook_techn Life_exp 6 19 0.763758252
## 92 Clean&cook_techn Unemp 6 18 0.063975082
## 93 Clean&cook_techn Inf_Mort 6 17 -0.775674080
## 94 Clean&cook_techn GDP 6 16 0.137517529
## 95 Clean&cook_techn GNI 6 15 0.134700958
## 96 Clean&cook_techn Per_Cap 6 13 0.387534908
## 97 Clean&cook_techn Mort_traff 6 12 -0.595533174
## 98 Clean&cook_techn Tub_inc 6 11 -0.545535369
## 99 Clean&cook_techn DPT_imm 6 10 0.448318147
## 100 Clean&cook_techn HepB3_imm 6 9 0.382434387
## 101 Clean&cook_techn Measles_imm 6 8 0.499913324
## 102 Clean&cook_techn Hosp_beds 6 7 0.435641057
## 103 Clean&cook_techn San_serv 6 6 0.843166383
## 104 Clean&cook_techn Tub_treat 6 5 -0.313579244
## 105 Clean&cook_techn Urb_pop 6 4 0.594356665
## 106 Clean&cook_techn Rur_pop 6 3 -0.594356665
## 107 Clean&cook_techn Ncomm_mort 6 2 -0.655267589
## 108 Clean&cook_techn Suicide 6 1 0.009767390
## 109 Per_Cap Life_exp 7 19 0.603481659
## 110 Per_Cap Unemp 7 18 -0.183778304
## 111 Per_Cap Inf_Mort 7 17 -0.318584689
## 112 Per_Cap GDP 7 16 0.173892765
## 113 Per_Cap GNI 7 15 0.182663487
## 114 Per_Cap Clean&cook_techn 7 14 0.387534908
## 115 Per_Cap Mort_traff 7 12 -0.416399611
## 116 Per_Cap Tub_inc 7 11 -0.307608926
## 117 Per_Cap DPT_imm 7 10 0.214219117
## 118 Per_Cap HepB3_imm 7 9 0.093034337
## 119 Per_Cap Measles_imm 7 8 0.215718525
## 120 Per_Cap Hosp_beds 7 7 0.249664245
## 121 Per_Cap San_serv 7 6 0.454095786
## 122 Per_Cap Tub_treat 7 5 -0.326447262
## 123 Per_Cap Urb_pop 7 4 0.428802322
## 124 Per_Cap Rur_pop 7 3 -0.428802322
## 125 Per_Cap Ncomm_mort 7 2 -0.355319184
## 126 Per_Cap Suicide 7 1 0.322819969
## 127 Mort_traff Life_exp 8 19 -0.651809711
## 128 Mort_traff Unemp 8 18 0.173386776
## 129 Mort_traff Inf_Mort 8 17 0.650508579
## 130 Mort_traff GDP 8 16 -0.115441079
## 131 Mort_traff GNI 8 15 -0.113538331
## 132 Mort_traff Clean&cook_techn 8 14 -0.595533174
## 133 Mort_traff Per_Cap 8 13 -0.416399611
## 134 Mort_traff Tub_inc 8 11 0.412329588
## 135 Mort_traff DPT_imm 8 10 -0.340065751
## 136 Mort_traff HepB3_imm 8 9 -0.262804103
## 137 Mort_traff Measles_imm 8 8 -0.310744897
## 138 Mort_traff Hosp_beds 8 7 -0.490960104
## 139 Mort_traff San_serv 8 6 -0.632069350
## 140 Mort_traff Tub_treat 8 5 0.313024871
## 141 Mort_traff Urb_pop 8 4 -0.371867439
## 142 Mort_traff Rur_pop 8 3 0.371867439
## 143 Mort_traff Ncomm_mort 8 2 0.407146151
## 144 Mort_traff Suicide 8 1 -0.110258162
## 145 Tub_inc Life_exp 9 19 -0.583137045
## 146 Tub_inc Unemp 9 18 0.121480015
## 147 Tub_inc Inf_Mort 9 17 0.563595074
## 148 Tub_inc GDP 9 16 -0.086950877
## 149 Tub_inc GNI 9 15 -0.086939968
## 150 Tub_inc Clean&cook_techn 9 14 -0.545535369
## 151 Tub_inc Per_Cap 9 13 -0.307608926
## 152 Tub_inc Mort_traff 9 12 0.412329588
## 153 Tub_inc DPT_imm 9 10 -0.371697630
## 154 Tub_inc HepB3_imm 9 9 -0.312156157
## 155 Tub_inc Measles_imm 9 8 -0.373647854
## 156 Tub_inc Hosp_beds 9 7 -0.195433965
## 157 Tub_inc San_serv 9 6 -0.555323068
## 158 Tub_inc Tub_treat 9 5 0.236729787
## 159 Tub_inc Urb_pop 9 4 -0.336229334
## 160 Tub_inc Rur_pop 9 3 0.336229334
## 161 Tub_inc Ncomm_mort 9 2 0.480899248
## 162 Tub_inc Suicide 9 1 0.098586543
## 163 DPT_imm Life_exp 10 19 0.504475291
## 164 DPT_imm Unemp 10 18 -0.147098313
## 165 DPT_imm Inf_Mort 10 17 -0.590299233
## 166 DPT_imm GDP 10 16 0.108137896
## 167 DPT_imm GNI 10 15 0.105373126
## 168 DPT_imm Clean&cook_techn 10 14 0.448318147
## 169 DPT_imm Per_Cap 10 13 0.214219117
## 170 DPT_imm Mort_traff 10 12 -0.340065751
## 171 DPT_imm Tub_inc 10 11 -0.371697630
## 172 DPT_imm HepB3_imm 10 9 0.947768771
## 173 DPT_imm Measles_imm 10 8 0.880789245
## 174 DPT_imm Hosp_beds 10 7 0.323666288
## 175 DPT_imm San_serv 10 6 0.459429545
## 176 DPT_imm Tub_treat 10 5 -0.139934705
## 177 DPT_imm Urb_pop 10 4 0.220575945
## 178 DPT_imm Rur_pop 10 3 -0.220575945
## 179 DPT_imm Ncomm_mort 10 2 -0.381592003
## 180 DPT_imm Suicide 10 1 0.055675815
## 181 HepB3_imm Life_exp 11 19 0.402387971
## 182 HepB3_imm Unemp 11 18 -0.102304627
## 183 HepB3_imm Inf_Mort 11 17 -0.527107866
## 184 HepB3_imm GDP 11 16 0.087193721
## 185 HepB3_imm GNI 11 15 0.082104538
## 186 HepB3_imm Clean&cook_techn 11 14 0.382434387
## 187 HepB3_imm Per_Cap 11 13 0.093034337
## 188 HepB3_imm Mort_traff 11 12 -0.262804103
## 189 HepB3_imm Tub_inc 11 11 -0.312156157
## 190 HepB3_imm DPT_imm 11 10 0.947768771
## 191 HepB3_imm Measles_imm 11 8 0.861614315
## 192 HepB3_imm Hosp_beds 11 7 0.272255026
## 193 HepB3_imm San_serv 11 6 0.381129849
## 194 HepB3_imm Tub_treat 11 5 -0.092500529
## 195 HepB3_imm Urb_pop 11 4 0.136920894
## 196 HepB3_imm Rur_pop 11 3 -0.136920894
## 197 HepB3_imm Ncomm_mort 11 2 -0.314015409
## 198 HepB3_imm Suicide 11 1 -0.019783046
## 199 Measles_imm Life_exp 12 19 0.532348338
## 200 Measles_imm Unemp 12 18 -0.166019661
## 201 Measles_imm Inf_Mort 12 17 -0.585046408
## 202 Measles_imm GDP 12 16 0.101391869
## 203 Measles_imm GNI 12 15 0.098351732
## 204 Measles_imm Clean&cook_techn 12 14 0.499913324
## 205 Measles_imm Per_Cap 12 13 0.215718525
## 206 Measles_imm Mort_traff 12 12 -0.310744897
## 207 Measles_imm Tub_inc 12 11 -0.373647854
## 208 Measles_imm DPT_imm 12 10 0.880789245
## 209 Measles_imm HepB3_imm 12 9 0.861614315
## 210 Measles_imm Hosp_beds 12 7 0.335262031
## 211 Measles_imm San_serv 12 6 0.509044945
## 212 Measles_imm Tub_treat 12 5 -0.140929508
## 213 Measles_imm Urb_pop 12 4 0.246042748
## 214 Measles_imm Rur_pop 12 3 -0.246042748
## 215 Measles_imm Ncomm_mort 12 2 -0.386262785
## 216 Measles_imm Suicide 12 1 0.025607272
## 217 Hosp_beds Life_exp 13 19 0.484994390
## 218 Hosp_beds Unemp 13 18 -0.147215966
## 219 Hosp_beds Inf_Mort 13 17 -0.520859611
## 220 Hosp_beds GDP 13 16 0.132172967
## 221 Hosp_beds GNI 13 15 0.133511599
## 222 Hosp_beds Clean&cook_techn 13 14 0.435641057
## 223 Hosp_beds Per_Cap 13 13 0.249664245
## 224 Hosp_beds Mort_traff 13 12 -0.490960104
## 225 Hosp_beds Tub_inc 13 11 -0.195433965
## 226 Hosp_beds DPT_imm 13 10 0.323666288
## 227 Hosp_beds HepB3_imm 13 9 0.272255026
## 228 Hosp_beds Measles_imm 13 8 0.335262031
## 229 Hosp_beds San_serv 13 6 0.474452489
## 230 Hosp_beds Tub_treat 13 5 -0.194739293
## 231 Hosp_beds Urb_pop 13 4 0.274071494
## 232 Hosp_beds Rur_pop 13 3 -0.274071494
## 233 Hosp_beds Ncomm_mort 13 2 -0.356209266
## 234 Hosp_beds Suicide 13 1 0.266526138
## 235 San_serv Life_exp 14 19 0.851592186
## 236 San_serv Unemp 14 18 0.029209789
## 237 San_serv Inf_Mort 14 17 -0.770565058
## 238 San_serv GDP 14 16 0.146003181
## 239 San_serv GNI 14 15 0.151416202
## 240 San_serv Clean&cook_techn 14 14 0.843166383
## 241 San_serv Per_Cap 14 13 0.454095786
## 242 San_serv Mort_traff 14 12 -0.632069350
## 243 San_serv Tub_inc 14 11 -0.555323068
## 244 San_serv DPT_imm 14 10 0.459429545
## 245 San_serv HepB3_imm 14 9 0.381129849
## 246 San_serv Measles_imm 14 8 0.509044945
## 247 San_serv Hosp_beds 14 7 0.474452489
## 248 San_serv Tub_treat 14 5 -0.300656495
## 249 San_serv Urb_pop 14 4 0.550696030
## 250 San_serv Rur_pop 14 3 -0.550696030
## 251 San_serv Ncomm_mort 14 2 -0.522544114
## 252 San_serv Suicide 14 1 0.159537407
## 253 Tub_treat Life_exp 15 19 -0.321416576
## 254 Tub_treat Unemp 15 18 -0.051270213
## 255 Tub_treat Inf_Mort 15 17 0.279895490
## 256 Tub_treat GDP 15 16 -0.024954619
## 257 Tub_treat GNI 15 15 -0.021151281
## 258 Tub_treat Clean&cook_techn 15 14 -0.313579244
## 259 Tub_treat Per_Cap 15 13 -0.326447262
## 260 Tub_treat Mort_traff 15 12 0.313024871
## 261 Tub_treat Tub_inc 15 11 0.236729787
## 262 Tub_treat DPT_imm 15 10 -0.139934705
## 263 Tub_treat HepB3_imm 15 9 -0.092500529
## 264 Tub_treat Measles_imm 15 8 -0.140929508
## 265 Tub_treat Hosp_beds 15 7 -0.194739293
## 266 Tub_treat San_serv 15 6 -0.300656495
## 267 Tub_treat Urb_pop 15 4 -0.283930857
## 268 Tub_treat Rur_pop 15 3 0.283930857
## 269 Tub_treat Ncomm_mort 15 2 0.266803790
## 270 Tub_treat Suicide 15 1 -0.072894819
## 271 Urb_pop Life_exp 16 19 0.582974520
## 272 Urb_pop Unemp 16 18 0.085895193
## 273 Urb_pop Inf_Mort 16 17 -0.474606711
## 274 Urb_pop GDP 16 16 0.152107706
## 275 Urb_pop GNI 16 15 0.167836165
## 276 Urb_pop Clean&cook_techn 16 14 0.594356665
## 277 Urb_pop Per_Cap 16 13 0.428802322
## 278 Urb_pop Mort_traff 16 12 -0.371867439
## 279 Urb_pop Tub_inc 16 11 -0.336229334
## 280 Urb_pop DPT_imm 16 10 0.220575945
## 281 Urb_pop HepB3_imm 16 9 0.136920894
## 282 Urb_pop Measles_imm 16 8 0.246042748
## 283 Urb_pop Hosp_beds 16 7 0.274071494
## 284 Urb_pop San_serv 16 6 0.550696030
## 285 Urb_pop Tub_treat 16 5 -0.283930857
## 286 Urb_pop Rur_pop 16 3 -1.000000000
## 287 Urb_pop Ncomm_mort 16 2 -0.530288839
## 288 Urb_pop Suicide 16 1 0.089368619
## 289 Rur_pop Life_exp 17 19 -0.582974520
## 290 Rur_pop Unemp 17 18 -0.085895193
## 291 Rur_pop Inf_Mort 17 17 0.474606711
## 292 Rur_pop GDP 17 16 -0.152107706
## 293 Rur_pop GNI 17 15 -0.167836165
## 294 Rur_pop Clean&cook_techn 17 14 -0.594356665
## 295 Rur_pop Per_Cap 17 13 -0.428802322
## 296 Rur_pop Mort_traff 17 12 0.371867439
## 297 Rur_pop Tub_inc 17 11 0.336229334
## 298 Rur_pop DPT_imm 17 10 -0.220575945
## 299 Rur_pop HepB3_imm 17 9 -0.136920894
## 300 Rur_pop Measles_imm 17 8 -0.246042748
## 301 Rur_pop Hosp_beds 17 7 -0.274071494
## 302 Rur_pop San_serv 17 6 -0.550696030
## 303 Rur_pop Tub_treat 17 5 0.283930857
## 304 Rur_pop Urb_pop 17 4 -1.000000000
## 305 Rur_pop Ncomm_mort 17 2 0.530288839
## 306 Rur_pop Suicide 17 1 -0.089368619
## 307 Ncomm_mort Life_exp 18 19 -0.633814804
## 308 Ncomm_mort Unemp 18 18 0.131242386
## 309 Ncomm_mort Inf_Mort 18 17 0.666611711
## 310 Ncomm_mort GDP 18 16 -0.191761394
## 311 Ncomm_mort GNI 18 15 -0.182662653
## 312 Ncomm_mort Clean&cook_techn 18 14 -0.655267589
## 313 Ncomm_mort Per_Cap 18 13 -0.355319184
## 314 Ncomm_mort Mort_traff 18 12 0.407146151
## 315 Ncomm_mort Tub_inc 18 11 0.480899248
## 316 Ncomm_mort DPT_imm 18 10 -0.381592003
## 317 Ncomm_mort HepB3_imm 18 9 -0.314015409
## 318 Ncomm_mort Measles_imm 18 8 -0.386262785
## 319 Ncomm_mort Hosp_beds 18 7 -0.356209266
## 320 Ncomm_mort San_serv 18 6 -0.522544114
## 321 Ncomm_mort Tub_treat 18 5 0.266803790
## 322 Ncomm_mort Urb_pop 18 4 -0.530288839
## 323 Ncomm_mort Rur_pop 18 3 0.530288839
## 324 Ncomm_mort Suicide 18 1 0.184023972
## 325 Suicide Life_exp 19 19 0.159357534
## 326 Suicide Unemp 19 18 0.006558983
## 327 Suicide Inf_Mort 19 17 0.059804035
## 328 Suicide GDP 19 16 0.114090369
## 329 Suicide GNI 19 15 0.130511162
## 330 Suicide Clean&cook_techn 19 14 0.009767390
## 331 Suicide Per_Cap 19 13 0.322819969
## 332 Suicide Mort_traff 19 12 -0.110258162
## 333 Suicide Tub_inc 19 11 0.098586543
## 334 Suicide DPT_imm 19 10 0.055675815
## 335 Suicide HepB3_imm 19 9 -0.019783046
## 336 Suicide Measles_imm 19 8 0.025607272
## 337 Suicide Hosp_beds 19 7 0.266526138
## 338 Suicide San_serv 19 6 0.159537407
## 339 Suicide Tub_treat 19 5 -0.072894819
## 340 Suicide Urb_pop 19 4 0.089368619
## 341 Suicide Rur_pop 19 3 -0.089368619
## 342 Suicide Ncomm_mort 19 2 0.184023972
##
## $arg
## $arg$type
## [1] "full"
#Постройте иерархическую кластеризацию на этом датафрейме.
library(factoextra)
## Warning: пакет 'factoextra' был собран под R версии 4.3.2
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
data_new_dist <- dist(data_new,
method = "euclidean"
)
as.matrix(data_new_dist)[1:6,1:6]
## 1 2 3 4 5 6
## 1 0 5173184728 213172429004 94504126087 24487894415 599815446359
## 2 5173184728 0 218328067643 99637823809 19325270693 604967915615
## 3 213172429004 218328067643 0 118829433029 237652545186 386650065250
## 4 94504126087 99637823809 118829433029 0 118944107933 505388335722
## 5 24487894415 19325270693 237652545186 118944107933 0 624290420516
## 6 599815446359 604967915615 386650065250 505388335722 624290420516 0
data_new_hc <- hclust(d = data_new_dist, method = "ward.D2")
fviz_dend(data_new_hc,
cex = 0.01)
## Warning: The `<scale>` argument of `guides()` cannot be `FALSE`. Use "none" instead as
## of ggplot2 3.3.4.
## ℹ The deprecated feature was likely used in the factoextra package.
## Please report the issue at <https://github.com/kassambara/factoextra/issues>.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
#Иерархическая кластеризацию+heat map
library(pheatmap)
## Warning: пакет 'pheatmap' был собран под R версии 4.3.2
pheatmap(data_new,
show_rownames = FALSE,
clustering_distance_rows = data_new_dist,
clustering_method = "ward.D2",
cutree_rows = 7,
cutree_cols = length(data_new),
angle_col = 45,
main = "Dendrograms for clustering rows and columns with heatmap")
Переменные GDP и GNI объединены в один кластер, все остальные переменные - в другой. Между GDP и GNI есть сильная корреляция, связи между другими переменными на этом рисунке не видны, хотя по данным корреляционной матрицы они есть.
#PCA анализ на data_new
library(FactoMineR)
## Warning: пакет 'FactoMineR' был собран под R версии 4.3.2
data_new.pca <- prcomp(data_new,
scale = T)
summary(data_new.pca)
## Importance of components:
## PC1 PC2 PC3 PC4 PC5 PC6 PC7
## Standard deviation 2.7526 1.4841 1.3952 1.17177 1.08375 0.96347 0.9288
## Proportion of Variance 0.3988 0.1159 0.1025 0.07227 0.06182 0.04886 0.0454
## Cumulative Proportion 0.3988 0.5147 0.6172 0.68945 0.75126 0.80012 0.8455
## PC8 PC9 PC10 PC11 PC12 PC13 PC14
## Standard deviation 0.85740 0.69263 0.68937 0.59106 0.54986 0.47085 0.36596
## Proportion of Variance 0.03869 0.02525 0.02501 0.01839 0.01591 0.01167 0.00705
## Cumulative Proportion 0.88421 0.90946 0.93447 0.95286 0.96877 0.98044 0.98749
## PC15 PC16 PC17 PC18 PC19
## Standard deviation 0.34546 0.26941 0.20224 0.06968 1.017e-15
## Proportion of Variance 0.00628 0.00382 0.00215 0.00026 0.000e+00
## Cumulative Proportion 0.99377 0.99759 0.99974 1.00000 1.000e+00
fviz_eig(data_new.pca, addlabels = T, ylim = c(0, 40))
fviz_pca_var(data_new.pca, col.var = "contrib")
fviz_pca_var(data_new.pca,
select.var = list(contrib = 5),
col.var = "contrib")
fviz_contrib(data_new.pca, choice = "var", axes = 1, top = 24) # 1
fviz_contrib(data_new.pca, choice = "var", axes = 2, top = 24) # 2
fviz_contrib(data_new.pca, choice = "var", axes = 3, top = 24)
fviz_contrib(data_new.pca, choice = "var", axes = 4, top = 24)
По данным анализа основная часть вариабельности данных (62%) объясняются первыми тремя главными компонентами, далее прирост вариабельности по последующим компонентам очень небольшой (менее 10%). В первую компоненту вносят вклад много переменных (продолжительность жизни, младенческая смертность, Можно выделить группы переменных: переменные иммунизации, санитарные услуги, некторые виды смертности, иммунизации. Здесь сложно отделить одни переменные от других. Во второй компоненте преобладают различные виды прививок и вид населения (городское/сельское), которые и объясняют всю вариабельность. В третьей компоненте все объясняют экономические переменные, в четвертой - суицид. Переменные можно разделить на группы по графику РСА. Связаны между собой и вносят большой вклад в объяснение вариабельности переменные иммунизации, другая группа - переменные смертности от различных причин, заболеваемость туберкулезом, лечение туберкулеза, которые смотрят в другую сторону от переменных продолжительности жизни, мощности стационаров, санитарного обеспечения, вида топлива и технологий приготовления пищи (то есть могут иметь с ними обратную связь). Так же связаны между собой экономические перменные (GDP, GNI, Per capitas), обратно коррелируют переменные населения (городское/сельское).
#biplot
#install.packages('devtools')
library(devtools)
## Warning: пакет 'devtools' был собран под R версии 4.3.2
## Загрузка требуемого пакета: usethis
## Warning: пакет 'usethis' был собран под R версии 4.3.2
#devtools::install_github("vqv/ggbiplot")
library(ggbiplot)
## Загрузка требуемого пакета: plyr
## ------------------------------------------------------------------------------
## You have loaded plyr after dplyr - this is likely to cause problems.
## If you need functions from both plyr and dplyr, please load plyr first, then dplyr:
## library(plyr); library(dplyr)
## ------------------------------------------------------------------------------
##
## Присоединяю пакет: 'plyr'
## Следующий объект скрыт от 'package:ggpubr':
##
## mutate
## Следующие объекты скрыты от 'package:rstatix':
##
## desc, mutate
## Следующие объекты скрыты от 'package:plotly':
##
## arrange, mutate, rename, summarise
## Следующие объекты скрыты от 'package:dplyr':
##
## arrange, count, desc, failwith, id, mutate, rename, summarise,
## summarize
## Загрузка требуемого пакета: scales
## Загрузка требуемого пакета: grid
plot <-ggbiplot(data_new.pca,
scale=0,
groups = as.factor(data_new_country$continent),
ellipse = T,
alpha = 0.2, varname.size = 2 ) +
theme_minimal()
ggplotly(plot)
#Интерпретация РСА анализа
По результатам построения би-плота можно отметить, что группы стран по континентам расположены слева направо от Африки к Европе. При этом слева направо уменьшаются значения переменных различных видов смертности и увеличиваются значения переменных продолжительности жизни и различные переменные отражающие социальную защищенность. От верхнего левого угла к правому нижнему углу графика умешаются суициды и безработица и нарастает иммунизация. От левого нижнего к правому верхнему углу графика сельское население сменяется на городское, увеличиваются значения экономических переменных и доходов на душу населения. Страны Америки и Европы больше ориентирвоаны на правый верхний угол графика и распределены компактно. Африканские страны больше расположены в левой чатси графика и рассеяны и вверху, и внизу (по переменным 2 конпоненты, в которые входят переменные иммунизации и населения (городское/сельское)). Страны Азии и Океании достаточно рассеянно распределены от левой части графика к правой ( по переменным 1 компоненты - продолжительность жизни, смертность от различных причин, переменные, отражающие социальную защищенность).
#UMAP
library(tidymodels)
## Warning: пакет 'tidymodels' был собран под R версии 4.3.2
## ── Attaching packages ────────────────────────────────────── tidymodels 1.1.1 ──
## ✔ broom 1.0.5 ✔ rsample 1.2.0
## ✔ dials 1.2.0 ✔ tibble 3.2.1
## ✔ infer 1.0.5 ✔ tidyr 1.3.0
## ✔ modeldata 1.2.0 ✔ tune 1.1.2
## ✔ parsnip 1.1.1 ✔ workflows 1.1.3
## ✔ purrr 1.0.2 ✔ workflowsets 1.0.1
## ✔ recipes 1.0.8 ✔ yardstick 1.2.0
## Warning: пакет 'dials' был собран под R версии 4.3.2
## Warning: пакет 'infer' был собран под R версии 4.3.2
## Warning: пакет 'modeldata' был собран под R версии 4.3.2
## Warning: пакет 'parsnip' был собран под R версии 4.3.2
## Warning: пакет 'recipes' был собран под R версии 4.3.2
## Warning: пакет 'rsample' был собран под R версии 4.3.2
## Warning: пакет 'tune' был собран под R версии 4.3.2
## Warning: пакет 'workflows' был собран под R версии 4.3.2
## Warning: пакет 'workflowsets' был собран под R версии 4.3.2
## Warning: пакет 'yardstick' был собран под R версии 4.3.2
## ── Conflicts ───────────────────────────────────────── tidymodels_conflicts() ──
## ✖ plyr::arrange() masks plotly::arrange(), dplyr::arrange()
## ✖ data.table::between() masks dplyr::between()
## ✖ recipes::check() masks devtools::check()
## ✖ infer::chisq_test() masks rstatix::chisq_test()
## ✖ purrr::compact() masks plyr::compact()
## ✖ plyr::count() masks dplyr::count()
## ✖ plyr::desc() masks rstatix::desc(), dplyr::desc()
## ✖ purrr::discard() masks scales::discard()
## ✖ plyr::failwith() masks dplyr::failwith()
## ✖ rstatix::filter() masks plotly::filter(), dplyr::filter(), stats::filter()
## ✖ data.table::first() masks dplyr::first()
## ✖ dials::get_n() masks rstatix::get_n()
## ✖ plyr::id() masks dplyr::id()
## ✖ dplyr::lag() masks stats::lag()
## ✖ data.table::last() masks dplyr::last()
## ✖ plyr::mutate() masks ggpubr::mutate(), rstatix::mutate(), plotly::mutate(), dplyr::mutate()
## ✖ infer::prop_test() masks rstatix::prop_test()
## ✖ plyr::rename() masks plotly::rename(), dplyr::rename()
## ✖ recipes::step() masks stats::step()
## ✖ plyr::summarise() masks plotly::summarise(), dplyr::summarise()
## ✖ plyr::summarize() masks dplyr::summarize()
## ✖ infer::t_test() masks rstatix::t_test()
## ✖ purrr::transpose() masks data.table::transpose()
## • Use tidymodels_prefer() to resolve common conflicts.
library(embed)
## Warning: пакет 'embed' был собран под R версии 4.3.2
umap_prep <- recipe(~., data = data_new) %>%
step_normalize(all_predictors()) %>%
step_umap(all_predictors()) %>%
prep() %>%
juice()
umap_plot <- umap_prep %>%
ggplot(aes(UMAP1, UMAP2)) +
geom_point(aes(color = as.character(data_new_country$continent)),
alpha = 0.7, size = 2) +
labs(color = NULL)
ggplotly(umap_plot)
По результатам UMAP так же можно отметить, что страны Африки сгруппированы в левой чатси графика, страны Европы и Америки распределены в правой части графика. Страны Океании более рассеяны по компененте 1 (слева направо), страны Азии - по компоненте 2 (сверху вниз). Можно сказать, что результаты РСА анализа и UMAP анализа показали похожие результаты, за исключением некоторых деталей. Возможно, это потому, что связи между переменными в большинстве случаев линейные.
#Давайте самостоятельно увидим, что снижение размерности – это группа методов, славящаяся своей неустойчивостью. Удалите 5 случайных колонок. Проведите PCA анализ. Повторите результат 3 раза. Наблюдаете ли вы изменения в куммулятивном проценте объяснённой вариации? В итоговом представленииданных на биплотах? С чем связаны изменения между тремя PCA?
Первый раз
data_new_1 <- data_new%>%
subset(select = -c(3:7))
data_new1.pca <- prcomp(data_new_1,
scale = T)
summary(data_new1.pca)
## Importance of components:
## PC1 PC2 PC3 PC4 PC5 PC6 PC7
## Standard deviation 2.3925 1.4386 1.14112 1.07227 0.94761 0.86591 0.81451
## Proportion of Variance 0.4089 0.1478 0.09301 0.08213 0.06414 0.05356 0.04739
## Cumulative Proportion 0.4089 0.5567 0.64969 0.73182 0.79596 0.84952 0.89691
## PC8 PC9 PC10 PC11 PC12 PC13
## Standard deviation 0.69175 0.60961 0.54765 0.36166 0.34750 0.20421
## Proportion of Variance 0.03418 0.02654 0.02142 0.00934 0.00863 0.00298
## Cumulative Proportion 0.93109 0.95763 0.97905 0.98840 0.99702 1.00000
## PC14
## Standard deviation 2.893e-16
## Proportion of Variance 0.000e+00
## Cumulative Proportion 1.000e+00
fviz_eig(data_new1.pca, addlabels = T, ylim = c(0, 40))
fviz_pca_var(data_new1.pca, col.var = "contrib")
fviz_pca_var(data_new1.pca,
select.var = list(contrib = 5),
col.var = "contrib")
fviz_contrib(data_new1.pca, choice = "var", axes = 1, top = 24) # 1
fviz_contrib(data_new1.pca, choice = "var", axes = 2, top = 24) # 2
fviz_contrib(data_new1.pca, choice = "var", axes = 3, top = 24)
fviz_contrib(data_new1.pca, choice = "var", axes = 4, top = 24)
plot1 <-ggbiplot(data_new1.pca,
scale=0,
groups = as.factor(data_new_country$continent),
ellipse = T,
alpha = 0.2, varname.size = 2 ) +
theme_minimal()
ggplotly(plot1)
Теперь большее количество данных объясняется первыми 4 компонентами, но незначительно большее. Переменные, входящие в состав компонент, поменялись. При этом переменные на рисунке с кругом сгруппированы похожим образом, но как будто ближе друг к другу.Переменная суицида теперь совпадает в переменной населения в городах и противопоставляется населению в деревнях (возможно, это было и по предыдущему датасету, но там большое количество переменных мешало это разобрать). Точки стран теперь более сгруппированы и группы стран накладываются друг на друга, хотя закономерности сохраняются (Африканские страны слева вверху, затем слева направо Океания, Азия, Америка Европа, Океания и Азия наиболее вытянуты по отношению к оси х.
Второй раз.
data_new_2 <- data_new%>%
subset(select = -c(2, 5, 8, 10, 17))
data_new2.pca <- prcomp(data_new_2,
scale = T)
summary(data_new2.pca)
## Importance of components:
## PC1 PC2 PC3 PC4 PC5 PC6 PC7
## Standard deviation 2.4842 1.2563 1.13293 0.98930 0.90641 0.86711 0.78619
## Proportion of Variance 0.4408 0.1127 0.09168 0.06991 0.05868 0.05371 0.04415
## Cumulative Proportion 0.4408 0.5535 0.64521 0.71512 0.77380 0.82751 0.87166
## PC8 PC9 PC10 PC11 PC12 PC13 PC14
## Standard deviation 0.71838 0.63767 0.5650 0.47889 0.3724 0.3388 0.26861
## Proportion of Variance 0.03686 0.02904 0.0228 0.01638 0.0099 0.0082 0.00515
## Cumulative Proportion 0.90852 0.93756 0.9604 0.97674 0.9867 0.9949 1.00000
fviz_eig(data_new2.pca, addlabels = T, ylim = c(0, 40))
fviz_pca_var(data_new2.pca, col.var = "contrib")
fviz_pca_var(data_new2.pca,
select.var = list(contrib = 5),
col.var = "contrib")
fviz_contrib(data_new2.pca, choice = "var", axes = 1, top = 24) # 1
fviz_contrib(data_new2.pca, choice = "var", axes = 2, top = 24) # 2
fviz_contrib(data_new2.pca, choice = "var", axes = 3, top = 24)
fviz_contrib(data_new2.pca, choice = "var", axes = 4, top = 24)
plot2 <-ggbiplot(data_new2.pca,
scale=0,
groups = as.factor(data_new_country$continent),
ellipse = T,
alpha = 0.2, varname.size = 2 ) +
theme_minimal()
ggplotly(plot2)
В данном случае такое же количество компонент описывает большую часть вариабельности, изменились соотношения между переменными, вероятно, в результате ужаления некторые связанных переменных из их групп. На биплоте все еще сохраняется движение групп стран слева направо от Африки к Европе, большая удлинненость Океании и Азии по оси х, но теперь страны Африки распределены более компактно и поменяли направление эллипса на противоположное (вместе с направлением переменных), страны Европы стали более рассеянны вдоль 2-ой компоненты.
Третий раз
data_new_3 <- data_new%>%
subset(select = -c(1, 3, 4, 9, 16))
data_new3.pca <- prcomp(data_new_3,
scale = T)
summary(data_new3.pca)
## Importance of components:
## PC1 PC2 PC3 PC4 PC5 PC6 PC7
## Standard deviation 2.2779 1.3944 1.15632 1.05243 0.98004 0.92022 0.84405
## Proportion of Variance 0.3706 0.1389 0.09551 0.07912 0.06861 0.06049 0.05089
## Cumulative Proportion 0.3706 0.5095 0.60502 0.68413 0.75274 0.81322 0.86411
## PC8 PC9 PC10 PC11 PC12 PC13 PC14
## Standard deviation 0.74141 0.63238 0.59742 0.54656 0.36061 0.35485 0.20315
## Proportion of Variance 0.03926 0.02856 0.02549 0.02134 0.00929 0.00899 0.00295
## Cumulative Proportion 0.90337 0.93194 0.95743 0.97877 0.98806 0.99705 1.00000
fviz_eig(data_new3.pca, addlabels = T, ylim = c(0, 40))
fviz_pca_var(data_new3.pca, col.var = "contrib")
fviz_pca_var(data_new3.pca,
select.var = list(contrib = 5),
col.var = "contrib")
fviz_contrib(data_new3.pca, choice = "var", axes = 1, top = 24) # 1
fviz_contrib(data_new3.pca, choice = "var", axes = 2, top = 24) # 2
fviz_contrib(data_new3.pca, choice = "var", axes = 3, top = 24)
fviz_contrib(data_new3.pca, choice = "var", axes = 4, top = 24)
plot3 <-ggbiplot(data_new3.pca,
scale=0,
groups = as.factor(data_new_country$continent),
ellipse = T,
alpha = 0.2, varname.size = 2 ) +
theme_minimal()
ggplotly(plot3)
Теперь больше компонент тербуется для описания большей части вариабельности, другие переменные стали основными (иммунизации, вида топлива и технологий приготовления пищи, санитарной обеспеченности). Теперь можно выделить три группы переменных - различные перменные смертности + деревенское население, им противопоставляется городское население, суицид, доход на душу населения, санитарная обеспеченность, оснащенность стационаров и отдельно стоит группа переменных иммунизации. Поменялись направления распределения стран, Африканские страны снова распределены более рассеянно, европейские и америанские более компактно.
Разница между этими тремя анализами, вероятнее всего, объясняется тем, что удаляются связанные переменные из своих групп, меняются направления распределения стран по этим переменным, также меняются уравнения, которые описывают связи между признаками (какие-то могут стать нелинейными).
#Давайте самостоятельно увидим, что снижение размерности – это группа методов, славящаяся своей неустойчивостью. Создайте две дамми-колонки о том: (1) принадлежит ли страна к африканскому континенту, (2) Океании. Проведите PCA вместе с ними, постройте биплоты. Проинтерпрейтируйте результат.Объясните, почему добавление дамми-колонок не совсем корректно в случае PCA нашего типа.
data_new_4 <- data_new_country%>%
mutate(Africa = ifelse(continent == 'Africa', 1, 0 ),
Oceania = ifelse(continent == 'Oceania', 1, 0))%>%
select(-continent, -Country)
data_new4.pca <- prcomp(data_new_4,
scale = T)
summary(data_new4.pca)
## Importance of components:
## PC1 PC2 PC3 PC4 PC5 PC6 PC7
## Standard deviation 2.8400 1.4851 1.3960 1.28878 1.11384 1.01306 0.9514
## Proportion of Variance 0.3841 0.1050 0.0928 0.07909 0.05908 0.04887 0.0431
## Cumulative Proportion 0.3841 0.4891 0.5819 0.66098 0.72006 0.76893 0.8120
## PC8 PC9 PC10 PC11 PC12 PC13 PC14
## Standard deviation 0.92891 0.84328 0.70113 0.67720 0.62108 0.55110 0.46766
## Proportion of Variance 0.04109 0.03386 0.02341 0.02184 0.01837 0.01446 0.01041
## Cumulative Proportion 0.85312 0.88699 0.91040 0.93223 0.95060 0.96506 0.97548
## PC15 PC16 PC17 PC18 PC19 PC20
## Standard deviation 0.39263 0.35858 0.34148 0.26517 0.20133 0.06900
## Proportion of Variance 0.00734 0.00612 0.00555 0.00335 0.00193 0.00023
## Cumulative Proportion 0.98282 0.98894 0.99449 0.99784 0.99977 1.00000
## PC21
## Standard deviation 9.958e-16
## Proportion of Variance 0.000e+00
## Cumulative Proportion 1.000e+00
fviz_eig(data_new4.pca, addlabels = T, ylim = c(0, 40))
fviz_pca_var(data_new4.pca, col.var = "contrib")
fviz_pca_var(data_new4.pca,
select.var = list(contrib = 5),
col.var = "contrib")
fviz_contrib(data_new4.pca, choice = "var", axes = 1, top = 24) # 1
fviz_contrib(data_new4.pca, choice = "var", axes = 2, top = 24) # 2
fviz_contrib(data_new4.pca, choice = "var", axes = 3, top = 24)
fviz_contrib(data_new4.pca, choice = "var", axes = 4, top = 24)
plot4 <-ggbiplot(data_new4.pca,
scale=0,
groups = as.factor(data_new_country$continent),
ellipse = T,
alpha = 0.2, varname.size = 2 ) +
theme_minimal()
ggplotly(plot4)
Сильных отличий от первоначально получившегося биплота я не заметила, группы и направления переменных похожи, точки распределны примерно так же. Использовать дамми-колонки в данном случае не совсем корректно, так как они бинарные и связи с ними не описываются линейными уравнениями.